tesseract-ocr中文版

TesseractOCR，可以直接將圖片中的文字進行識別，其最新版本3.0已經(jīng)支持中文OCR，并提供了一個命令行工具，轉(zhuǎn)換成文本信息。tesseract-ocr官方下載據(jù)說曾經(jīng)的圖像識別能力排名第三。tesseract-ocr中文版可以識別多種格式的圖像文件并將其轉(zhuǎn)換成文本，目前已支持60多種語言（包括中文）。 Tesseract最初由HP公司開發(fā)，后來由Google維護，目前發(fā)布在Googel Project上。

windows下的安裝非常簡單，直接安裝可執(zhí)行程序即可。當你選擇安裝各類語言之時，則需要一個稍微耗時的等待操作，比如下圖中所示的信息：

tesseract-ocr中文版安裝使用教程：

下載完后進行安裝,默認情況下安裝程序會給你配置系統(tǒng)環(huán)境變量,以指向安裝目錄（之后可以通過DOS界面在任意目錄運行tesseract）。安裝完成后目錄如下:

附錄:

tessdata 目錄存放的是語言字庫文件，和在命令行界面中可能用到的參數(shù)所對應的文件.  這個安裝程序默認包含了英文字庫。

使用Tessract-OCR引擎識別驗證碼

打開DOS界面，輸入tesseract：

如果出現(xiàn)如上輸出，表示安裝正常。

我準備了一張驗證碼code.jpg放在D盤根目錄下，上圖:

結(jié)果為:

附錄:

Usage:tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]
pagesegmode values are:
0 = Orientation and script detection (OSD) only.
1 = Automatic page segmentation with OSD.
2 = Automatic page segmentation, but no OSD, or OCR
3 = Fully automatic page segmentation, but no OSD. (Default)
4 = Assume a single column of text of variable sizes.
5 = Assume a single uniform block of vertically aligned text.
6 = Assume a single uniform block of text.
7 = Treat the image as a single text line.
8 = Treat the image as a single word.
9 = Treat the image as a single word in a circle.
10 = Treat the image as a single character.
-l lang and/or -psm pagesegmode must occur before anyconfigfile.

tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]

tesseract    圖片名  輸出文件名 -l 字庫文件 -psm pagesegmode 配置文件

例如：

tesseract code.jpg result  -l chi_sim -psm 7 nobatch

-l chi_sim 表示用簡體中文字庫（需要下載中文字庫文件，解壓后，存放到tessdata目錄下去,字庫文件擴展名為  .raineddata 簡體中文字庫文件名為:  chi_sim.traineddata）

-psm 7 表示告訴tesseract code.jpg圖片是一行文本  這個參數(shù)可以減少識別錯誤率.  默認為 3

configfile 參數(shù)值為tessdata\configs 和  tessdata\tessconfigs 目錄下的文件名